Inteligência Artificial

Código:

EIC0029

Sigla:

IART

Áreas Científicas
Classificação	Área Científica
OFICIAL	Inteligência Artificial

Ocorrência: 2011/2012 - 2S

Ativa?	Sim
Página Web:	http://www.fe.up.pt/~eol/IA/ia1112.html
Unidade Responsável:	Departamento de Engenharia Informática
Curso/CE Responsável:	Mestrado Integrado em Engenharia Informática e Computação

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MIEIC	140	Plano de estudos a partir de 2009/10	3	-	6	56	162

Língua de trabalho

Português

Objetivos

1- INTRODUÇÃO
Esta unidade curricular apresenta um conjunto de assuntos nucleares para a área dos Sistemas Inteligentes

2 - OBJETIVOS ESPECÍFICOS
Saber o que carateriza e distingue a IA e qual a sua aplicabilidade.
Saber como Representar, Adquirir, Manipular e Aplicar Conhecimento usando Sistemas Computacionais.
Desenvolver um pequeno projeto usando técnicas de IA.

3 - CONHECIMENTO PRÉVIO
É útil o conhecimento de noções básicas de algoritmia e programação baseada em lógica.

4 - DISTRIBUIÇÃO PERCENTUAL
Componente científica: 60%
Componente tecnológica: 40%

5 - RESULTADOS DA APRENDIZAGEM
No final da unidade curricular, o estudante deverá ter capacidade para Representar, Adquirir, Manipular e Aplicar Conhecimento usando Sistemas Computacionais.
Mais especificamente, o estudante deverá ser capaz de:
- Saber representar Conhecimento impreciso.
- Comparar métodos heurísticos e sistemáticos na pesquisa de soluções.
- Desenvolver interfaces em Linguagem Natural e Motores de inferência para Sistemas Periciais.
- Conhecer algoritmos de aprendizagem Indutiva e dedutiva.

Programa

I INTRODUÇÃO
Objetivo
Metodologia (ensino e avaliação)
Evolução e Cronologia da Inteligência Artificial
Documentação

II NOÇÕES BASICAS
Definições: o que é a I. A. ?
Aplicações: em que domínios ?
Definições básicas de Agente
Arquiteturas de Agentes: Dos Reactivos aos Cognitivos

III MÉTODOS DE RESOLUÇÃO DE PROBLEMAS
Sistemas de "Produções"
Estratégias de Controlo da Pesquisa Sistemática
Encadeamento direto e inverso
Primeiro em Profundidade e Primeiro em Largura;
Pesquisa irrevogável: ("hill climbing")
Pesquisa por tentativas: "backtracking; Pesquisa em grafo
Algorítmo "Branch and Bound" (ramifica e limita)
Pesquisa Heurística: "O melhor primeiro"
Algoritmo A* e decréscimo progressivo da admissibilidade
Análise Meios-Fins
Métodos de Satisfação de Restrições: Princípios da "Relaxação"
Pesquisa em "Jogos": Procedimento Minmax
Cortes Alfa-Beta
Exemplos em Prolog de estratégias básicas:
Interpretadores primeiro-em-largura e primeiro-em-profundidade
Algoritmos para a Evolução

IV INTRODUÇÃO À REPRESENTAÇÃO DO CONHECIMENTO
Definição de um Sistema de Representação
Estruturas de Representação: Regras de Produção; Redes Associativas "Frames"; "Scripts"
Lógica de Predicados e Outras Lógicas
Raciocínio Inexato:ModeloProbabilístico;
Factores de Certeza; Modelo Dempster- Schafer; Logica dos Conjuntos Difusos

V ENGENHARIA DO CONHECIMENTO
Sistemas Baseados em Conhecimento
Sistemas Periciais: Caraterização; Estrutura; Rep. do Conhecimento e Meta Conhecimento;
Motor de Inferência e Geração de Explicações;
Casos exemplares de Sistemas periciais:
ORBI; SMYCIN; ARCA
Demonstrações
Sistemas Genéricos : "Shells"

VI INTRODUÇÃO À LINGUAGEM NATURAL COMPUTACIONAL
Objetivos e dificuldades
Análises Sintática e Semântica
ATN; Gramáticas Semânticas; Gramáticas de Caso
Aproximação clássica e uso da Lógica :
Gramáticas com Cláusulas Definidas; alguns ex. em Português
Gramáticas de extraposição

VII APRENDIZAGEM AUTOMÁTICA
Tipos de aprendizagem
ap. de Conceitos; ap. pelo exemplo; ap. por analogia; ap. Baseada em Explicações
(EBL) :Descrição dos Algorítmos para EBG, mEBG e IOL;Exemplo concreto.
Aprendizagem Indutiva: Algorítmos ID3 e C4.5
Exemplos de Aplicação

VIII INTRODUÇÃO ÀS REDES NEURONAIS
Princípios básicos (elemento de processamento; estrutura; leis de aprendizagem)
Algorítmos fundamentais ("perceptron"; "back-propagation")
Exemplo de Aplicação

Bibliografia Obrigatória

Stuart Russell, Peter Norvig; Artificial intelligence. ISBN: 978-0-13-207148-2

Bibliografia Complementar

Bratko, Ivan; Prolog programming for artificial intelligence, N. ISBN: 0-201-40375-7
J. Ross Quinlan; Programs for Machine Learning, Morgan Kaufmann Publishers, 1998 (Livro sobre algoritmo C4.5)
Ernesto Costa e Anabela Simões; Inteligência artificial. ISBN: 972-722-269-2
Elaine Rich, Kevin Knight; Artificial intelligence. ISBN: 0-07-100894-2

Métodos de ensino e atividades de aprendizagem

Exposição com interacção nas Aulas teóricas.
Exercícios de Programaçao em Prolog e desenvolvimento de projeto nas Aulas teórico-práticas.

Software

Prolog: SWI, Sicstus, LPA
Java, C/C++

Palavras Chave

Ciências Tecnológicas > Engenharia > Engenharia do conhecimento

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Descrição	Tipo	Tempo (Horas)	Peso (%)	Data Conclusão
Participação presencial (estimativa)	Participação presencial	56,00
Implementação de um trabalho (mini-projeto)	Trabalho escrito	56,00		2012-06-01
Exame escrito	Exame	2,50
	Total:	-	0,00

Componentes de Ocupação

Descrição	Tipo	Tempo (Horas)	Data Conclusão
Estudo	Estudo autónomo	46	2012-06-18
	Total:	46,00

Obtenção de frequência

A obtenção de frequência implica nota mínima de 3,75 valores (em 10) na componente de avaliação distribuída.

Fórmula de cálculo da classificação final

- Componente de Avaliação Distribuída (AD): peso=50% (10 valores em 20); mínimo=3,75 valores (7,5 em 20); inclui (% relativas):
Qualidade do trabalho realizado e desempenho na apresentação (40%);
Relatório Final (10%);
Relatório + Trabalho Intercalar (20%);
Avaliação durante as aulas (30%), incluindo minitestes nas aulas teóricas

- Componente de Teste/Exame (E): peso=50% (10 valores em 20); mínimo=3,75 valores (7,5 em 20)
(prova com consulta, com a duração de 2h30m).

A aprovação implica nota mínima de 3,75 valores (em 10) em qualquer das componentes de avaliação.

Provas e trabalhos especiais

Os estudantes inscritos ao abrigo de regimes especiais devem comparecer a todos os pontos de avaliação. Na impossibilidade de comparecer aos minitestes nas aulas teóricas especificadas, devem combinar com o docente uma nova data.

A avaliação dos estudantes em exame de época especial é composta por: realização de um trabalho prático e respetivo relatório (peso=50%), e realização de exame (peso=50%)

A aprovação implica a necessidade de nota >=3,75 (em 10) em qualquer uma das parcelas de avaliação (AD e E).

Avaliação especial (TE, DA, ...)

Os estudantes inscritos ao abrigo de regimes especiais devem comparecer a todos os pontos de avaliação. Na impossibilidade de comparecer aos minitestes nas aulas teóricas especificadas, devem combinar com o docente uma nova data.

A avaliação dos estudantes em exame de época especial é composta por: realização de um trabalho prático e respetivo relatório (peso=50%), e realização de exame (peso=50%)

A aprovação implica a necessidade de nota >=3,75 (em 10) em qualquer uma das parcelas de avaliação (AD e E).

Melhoria de classificação

A melhoria de classificação pode ser efetuada quer por trabalho quer por teste de recurso (ou ambos).
A classificação dos minitestes não é contabilizada para efeitos de melhoria de classificação, passando a sua ponderação para a componente E.

Observações

Pré-requisitos:
Conhecimentos de programação Orientada Objetos e baseada na Lógica